近日，西南交通大学材料科学与工程学院周绍兵教授团队在肿瘤靶向治疗方面取得重大进展，成果发表在《Advanced Materials》，该期刊是工程与计算大学科、材料与化学大领域的顶级期刊，在国际材料领域享誉盛名！该期刊接收与材料领域相关的顶尖科研成果，其接收率只有10%-15%，影响因子达到25.809。 周绍兵教授团队制备了一种粒径可变的、胶原酶改性的聚合物胶束，可以同时提高其向肿瘤内部的渗透和在肿瘤部位的滞留时间，从而提高治疗效果（图1）。他们首先通过两种嵌段共聚物：端基为MAL的聚乙二醇-b-聚β氨基脂（MAL-PEG-PBAE）和与琥珀酸酐修饰的顺铂复合的聚己内酯-b-聚环氧乙烷-三苯基膦（CDDP-PCLPEO-TPP）的共组装得到胶束，通过点击化学将胶原酶（可消化纤维蛋白）修饰在胶束表面，最后通过静电相互作用将硫酸软骨素修饰在胶束外层，屏蔽胶束正电荷的同时防止胶原酶在血液循环过程中被降解。在正常生理环境中，胶束粒径为100 nm左右，可实现体内长效循环而不被肾清除。当循环至肿瘤部位后，弱酸环境使得叔胺质子化，PBAE嵌段由疏水变为亲水，造成部分胶原酶改性的MAL-PEG-PBAE从胶束中解离，促进了对ECM中胶原纤维的降解，提高胶束向瘤内的渗透。同时，由于亲水性增加，胶束粒径也增大至250 nm，被“困”在肿瘤组织，难以回到血液循环中，增加了胶束在肿瘤的滞留时间。动物实验结果证实该纳米药物可显著提高对恶行肿瘤的治疗效果。 以上相关成果发表于Advanced Materials (2020, 1906745)上。论文的第一作者为西南交通大学材料学院博士研究生徐傅能，通讯作者为周绍兵教授和生命学院王毅博士。 近年来，周绍兵教授团队一直致力于高分子纳米药物载体材料的研究，取得了多项突破性成果，开发出新型靶向纳米载体和环境响应纳米载体，有效提高了恶性肿瘤的治疗效果。该团队已在Advanced Materials, Nano Letters, Advanced Functional Materials, Biomaterials, Small等高影响期刊发表了多篇论文，研究的高分子材料正与多家企业合作，期望能将相关成果尽快进行临床转化。 论文链接：https://doi.org/10.1002/adma.201906745

中试阶段/n该药物以新的骨质疏松症的药物靶点，而且是促进成骨的药物靶点。理论上优于目前所有上市的骨质疏松症治疗药物。产品核心竞争力：通过促进成骨来治疗骨质疏松症的化学药物；目前促进成骨的药物只有PTH，属于蛋白质激素类。目前常用的双膦酸盐类药物属于抑制骨吸收药物，同时严重地抑制了骨形成。除雌激素类外，其它药物也均属于严重抑制破骨细胞活性的药物。成果的社会/经济意义(价值): 如果临床实验成功，属于首创一

乐伐替尼也是一种口服激酶抑制剂，它 以支持肿瘤增长的多种细胞因子作为靶点，其中包括血管内皮生长因子（VEGF）、 成纤维细胞生长因子（FGF）、血小板源生长因子受体（PDGF）等，抑制肿瘤细 施的转移与生长。4-［ （6,7-二甲氧基-4-噬琳基）氧基］苯胺和4-氯-7-甲氧基噬琳 -6-甲酰胺作为卡博替尼、乐伐替尼原料药合成中的关键中间体，其合成工艺在 国内鲜见报道，因此探索它们的合成工艺具有重要的现实意义。 自2012年、2015年美国FDA分别上市卡博替尼、乐伐替尼两种新药以来，其 原料药的合成就一直受到国外专利的保护，但国内对其的需求量很大。因此， 我们研究团队分别以麦氏酸和丙二酸原料经接枝、甲化、关环、上氯等步骤成 功合成了 4- ［ （6,7-二甲氧基-4-噬琳基）氧基］苯胺与4-氯-7-甲氧基瘗■琳-6-甲 酰胺，解决了关环等技术步骤的难题，将关环、上氯等技术步骤的收率提升近25% —30%,最终产品的纯度达到98%以上。4-［（6,7-二甲氧基-4-嗟琳基）氧基］苯胺 经历5步反应目标产品收率达到45%以上；4-氯-7-甲氧基噬琳-6-甲酰胺经历6 步反应，目标产品收率达到40%以上。将该工艺路线经中试研究发现，反应充 分，反应重现性良好，各项技术指标正常，目标产品收率达40%—45%,产品纯 度达98%以上。该研究成果意味着，国内抗癌原料药卡博替尼、乐伐替尼关键中 间体的技术路线问题将不再是瓶颈问题。

煅烧高岭土基碱激发胶凝材料是指利用活性低钙Si-Al质材料与高碱性溶液反应制备出的一种结构上具有空间三维网络状结构的新型无机Si-Al质胶凝材料，该材料制备工艺简单，生产能耗低且制备过程中二氧化碳排放量少，是一种绿色环保型胶凝材料，具有耐腐蚀、耐高温、耐久性好、干燥收缩低、早期强度高和优异的力学性能等特点，在汽车及航空工业、土木工程、交通及快速抢修、封堵核废料及重金属固化等方面，具有广阔的应用前景，已成为碱激发胶凝材料研究的焦点。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：